CN112527790B - 一种基于loo-cv验证的交叉核验方法 - Google Patents
一种基于loo-cv验证的交叉核验方法 Download PDFInfo
- Publication number
- CN112527790B CN112527790B CN202011550104.1A CN202011550104A CN112527790B CN 112527790 B CN112527790 B CN 112527790B CN 202011550104 A CN202011550104 A CN 202011550104A CN 112527790 B CN112527790 B CN 112527790B
- Authority
- CN
- China
- Prior art keywords
- data
- verification
- module
- verified
- simplifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LOO‑CV验证的交叉核验方法,包括剔除模块、精简模块,核验模块和储存模块,所述剔除模块连接有精简模块,且精简模块与核验模块相连接,所述核验模块和储存模块相连接,且储存模块同时与剔除模块相连接,所述剔除模块包括用户提供的待核验数据和被剔除数据,所述精简模块包括较为精简的待核验数据和分组数据集,所述核验模块包括精简数据、验证数据和子样本,所述储存模块包括目标数据和剔除数据。该基于LOO‑CV验证的交叉核验方法,采用多种交叉核验方式,使其能够同时适应大小样本的核验,提高其核验灵活性,同时提高核验准确性,且能够对被剔除的数据加以利用,避免被剔除的数据再次出现时对核验效率产生影响。
Description
技术领域
本发明涉及信息核验技术领域,具体为一种基于LOO-CV验证的交叉核验方法。
背景技术
现有技术中,在涉及数据核验时,采用的方法多种多样,有最简单的校验,最安全准确,但是效率低下,还有奇偶校验法、bcc异或校验法、crc循环冗余校验、交叉验证等,而交叉验证方法主要用于建模应用中,交叉验证方法它的基本思想就是将原始数据进行分组,一部分做为训练集来训练模型,另一部分做为测试集来评价模型,能够得到可靠性高的数据,而大部分现有技术采用的交叉核验方法仍存在一些问题,比如:
单独采用一种交叉验证方式,例如单独采用Cross Validation交叉验证时,可能存在一种情况:数据集有5类,抽取出来的也正好是按照类别划分的5类,也就是说第一折全是0类,第二折全是1类等;这样的结果可能就会导致模型训练时,没有学习到测试集中数据的特点,从而导致模型得分很低,而LOO-CV验证法主要针对小样本数据,当使用LOO-CV验证对大样本数据进行核验时,可能导致核验效率十分低下,而K-fold Cross Validation这种交叉核验方法在实作上,要有足够多的训练样本数才能保证最终结果具有说服性,且难以对被剔除的数据加以利用,导致被剔除的数据再次出现时容易对核验效率产生影响,因此,本发明提供一种基于LOO-CV验证的交叉核验方法,以解决上述提出的问题。
发明内容
本发明的目的在于提供一种基于LOO-CV验证的交叉核验方法,以解决上述背景技术中提出的大部分现有技术采用的交叉核验方法单独采用一种交叉验证方式,且难以对被剔除的数据加以利用,导致被剔除的数据再次出现时容易对核验效率产生影响的问题。
为实现上述目的,本发明提供如下技术方案:一种基于LOO-CV验证的交叉核验方法,包括剔除模块、精简模块,核验模块和储存模块,所述剔除模块连接有精简模块,且精简模块与核验模块相连接,所述核验模块和储存模块相连接,且储存模块同时与剔除模块相连接。
优选的,所述剔除模块包括用户提供的待核验数据和被剔除数据。
优选的,所述剔除模块的工作步骤为:
步骤1:获取用户提供的待核验数据,并将其进行汇总;
步骤2:区分待核验数据的多寡,当待核验数据为少数类,则不能选择曾经被剔除的数据作为验证集进行核验,可直接传递给精简模块;
步骤3:当剔除模块为第一次运行时,则不存在曾经被剔除的数据,所以不存在验证材料,无法进行核验,可直接传递给精简模块,而当剔除模块非初次运行时,可得到之前的被剔除数据作为验证材料进行核验,从而得到较为精简的待核验数据;
步骤4:将较为精简的待核验数据传递给精简模块。
优选的,所述精简模块包括较为精简的待核验数据和分组数据集。
优选的,所述精简模块的工作步骤为:
步骤1:将较为精简的待核验数据分成5组或10组;
步骤2:每次划分时,在不同的分组数据集上进行训练、测试核验,从而得出一个核验结果;当分成了5组时,意思就是在原始数据集上,进行5次核验,每次划分进行一次训练、评估,最后得到5次划分后的核验结果,一般在这几次核验结果上取平均得到最后的精简数据;
步骤3:将精简数据传递给核验模块。
优选的,所述核验模块包括精简数据、验证数据和子样本。
优选的,所述核验模块的工作步骤为:
步骤1:将精简后的数据分成N组,并留待一组作为验证数据;
步骤2:其他N-1个样本用来训练,验证重复N次,每个子样本验证一次,同时能够得到N个模型;
步骤3:用这N个模型最终的验证集的分类准确率的平均数作为此下的性能指标,得到最终的单一数据;
步骤4:将最终的数据储存至储存模块。
优选的,所述储存模块包括目标数据和剔除数据。
优选的,所述剔除数据整理的工作步骤为:
步骤1:将被剔除的数据进行收集,并将其进行汇总;
步骤2:将汇总后的被剔除的数据传递给精简模块进行分组核验;
步骤3:将分组核验后的被剔除数据传递给核验模块,得到最终的被剔除数据和模型;
步骤4:当需要用对少数类过采样和大多数类的样本混合在一起的数据集来训练模型,然后用已经排除掉的样本做为验证集,对数据进行验证。
与现有技术相比,本发明的有益效果是:该基于LOO-CV验证的交叉核验方法,采用多种交叉核验方式,使其能够同时适应大小样本的核验,提高其核验灵活性,同时提高核验准确性,且能够对被剔除的数据加以利用,避免被剔除的数据再次出现时对核验效率产生影响;
1、通过精简模块将大样本数据进行精简,从而得到精简后的小样本数据,使其能够适用于之后的核验模块,从而减少核验模块的工作量,使其能够同时适应大小样本的核验,提高其核验灵活性,同时提高核验准确性;
2、通过对精简模块和核验模块中产生的被剔除数据的收集和对其再次进行核验,能够得到重复度高的被剔除数据,从而将其应用与最初的剔除模块,能够减少后期的精简模块的工作量,也能够避免被剔除的数据再次出现时对核验效率产生影响;
3、通过当最初提供的数据为小样本数据时,能够直接进入精简模块进行精简,无需经过剔除模块进行核验,从而保证训练的结果具备泛化性,且能够减少剔除模块的核验工作量。
附图说明
图1为本发明整体工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于LOO-CV验证的交叉核验方法,包括剔除模块、精简模块,核验模块和储存模块,剔除模块连接有精简模块,且精简模块与核验模块相连接,核验模块和储存模块相连接,且储存模块同时与剔除模块相连接。
剔除模块包括用户提供的待核验数据和被剔除数据。
剔除模块的工作步骤为:
步骤1:获取用户提供的待核验数据,并将其进行汇总;步骤2:区分待核验数据的多寡,当待核验数据为少数类,则不能选择曾经被剔除的数据作为验证集进行核验,可直接传递给精简模块;步骤3:当剔除模块为第一次运行时,则不存在曾经被剔除的数据,所以不存在验证材料,无法进行核验,可直接传递给精简模块,而当剔除模块非初次运行时,可得到之前的被剔除数据作为验证材料进行核验,从而得到较为精简的待核验数据;步骤4:将较为精简的待核验数据传递给精简模块,能够先将核验数据的大小进行判断,能够避免将小样本数据与曾经的被剔除数据进行验证,增加核验结构的泛化性,而当取得的使大样本数据时,能够利用曾经的被剔除的数据作为验证集,将大样本数据中汗液的曾经的被剔除的数据进行剔除,从而减少后期精简模块的工作量,提高工作效率;
精简模块包括较为精简的待核验数据和分组数据集。
精简模块的工作步骤为:
步骤1:将较为精简的待核验数据分成5组或10组;步骤2:每次划分时,在不同的分组数据集上进行训练、测试核验,从而得出一个核验结果;当分成了5组时,意思就是在原始数据集上,进行5次核验,每次划分进行一次训练、评估,最后得到5次划分后的核验结果,一般在这几次核验结果上取平均得到最后的精简数据;步骤3:将精简数据传递给核验模块,能够将大样本数据进行简单的精简核验,得到最为精简的小样本数据,从而使该数据能够适用于下一步的核验模块进行核验;
核验模块包括精简数据、验证数据和子样本。
核验模块的工作步骤为:
步骤1:将精简后的数据分成N组,并留待一组作为验证数据;步骤2:其他N-1个样本用来训练,验证重复N次,每个子样本验证一次,同时能够得到N个模型;步骤3:用这N个模型最终的验证集的分类准确率的平均数作为此下的性能指标,得到最终的单一数据;步骤4:将最终的数据储存至储存模块,采用LOO-CV验证,能够每一回合中几乎所有的样本皆用于训练模型,因此最接近原始样本的分布,这样评估所得的结果比较可靠,且实验过程中没有随机因素会影响实验数据,确保实验过程是可以被复制的。
储存模块包括目标数据和剔除数据。
剔除数据整理的工作步骤为:步骤1:将被剔除的数据进行收集,并将其进行汇总;步骤2:将汇总后的被剔除的数据传递给精简模块进行分组核验;步骤3:将分组核验后的被剔除数据传递给核验模块,得到最终的被剔除数据和模型;步骤4:当需要用对少数类过采样和大多数类的样本混合在一起的数据集来训练模型,然后用已经排除掉的样本做为验证集,对数据进行验证,能够得到重复度高的被剔除数据,从而将其应用与最初的剔除模块,能够减少后期的精简模块的工作量,也能够避免被剔除的数据再次出现时对核验效率产生影响。
工作原理:在使用该基于LOO-CV验证的交叉核验方法时,首先如图1中,获取用户提供的待核验数据,并将其进行汇总,随后区分待核验数据的多寡,当待核验数据为少数类,则不能选择曾经被剔除的数据作为验证集进行核验,可直接传递给精简模块,以提高核验结果的泛化性,当剔除模块为第一次运行时,则不存在曾经被剔除的数据,所以不存在验证材料,无法进行核验,可直接传递给精简模块,而当剔除模块非初次运行时,可得到之前的被剔除数据作为验证材料进行核验,从而得到较为精简的待核验数据,将较为精简的待核验数据传递给精简模块,能够先将核验数据的大小进行判断,能够避免将小样本数据与曾经的被剔除数据进行验证,增加核验结构的泛化性,而当取得的使大样本数据时,能够利用曾经的被剔除的数据作为验证集,将大样本数据中汗液的曾经的被剔除的数据进行剔除,从而减少后期精简模块的工作量,提高工作效率;
随后在精简模块中,将较为精简的待核验数据分成5组或10组,此步骤需根据较为精简的待核验数据的大小进行划分,每次划分时,在不同的分组数据集上进行训练、测试核验,从而得出一个核验结果;当分成了5组时,意思就是在原始数据集上,进行5次核验,每次划分进行一次训练、评估,最后得到5次划分后的核验结果,一般在这几次核验结果上取平均得到最后的精简数据,将精简数据传递给核验模块,能够将大样本数据进行简单的精简核验,得到最为精简的小样本数据,从而使该数据能够适用于下一步的核验模块进行核验,在核验模块中,将精简后的数据分成N组,并留待一组作为验证数据,其他N-1个样本用来训练,验证重复N次,每个子样本验证一次,同时能够得到N个模型,用这N个模型最终的验证集的分类准确率的平均数作为此下的性能指标,得到最终的单一数据,将最终的数据储存至储存模块,采用LOO-CV验证,能够每一回合中几乎所有的样本皆用于训练模型,因此最接近原始样本的分布,这样评估所得的结果比较可靠,且实验过程中没有随机因素会影响实验数据,确保实验过程是可以被复制的,本来LOO-CV的缺点则是计算成本高,因为需要建立的模型数量与原始数据样本数量相同,当原始数据样本数量相当多时,LOO-CV在实作上便有困难几乎就是不显示,而通过精简模块能够将大样本数据精简为小样本数据后,使得LOO-CV能够进行使用,从而使其能够得到应有的优点;
在以上步骤中,各种核验方式将用户提供的数据进行核验后,产生大量的被剔除的数据,之后将被剔除的数据进行收集,并将其进行汇总,将汇总后的被剔除的数据传递给精简模块进行分组核验,使大量的被剔除数据能够进行精简,将分组核验后的被剔除数据传递给核验模块,得到最终的被剔除数据和模型,当需要用对少数类过采样和大多数类的样本混合在一起的数据集来训练模型,然后用已经排除掉的样本做为验证集,对数据进行验证,同时需要避免将提出数据与最初的小样本数据进行核验,储存模块中能够将目标数据和剔除数据进行分类保持,当目标数据需与其他用户数据进行核验时,从而便于从储存模块中进行提取,且当该方法多次进行核验后,会积累大量的剔除数据,从而能够在剔除模块中将用户提供的待核验数据进行多次精简,能够提高整体核验的效率,同时能够利用剔除数据建立的模型,来分析剔除数据中的泛华性,以便于后期对数据分析提供便利,这就是该基于LOO-CV验证的交叉核验方法的使用方法。
本发明使用到的标准零件均可以从市场上购买,异形件根据说明书的和附图的记载均可以进行订制,各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接等常规手段,机械、零件和设备均采用现有技术中,常规的型号,加上电路连接采用现有技术中常规的连接方式,在此不再详述,本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于LOO-CV验证的交叉核验方法,包括剔除模块、精简模块,核验模块和储存模块,其特征在于:所述剔除模块连接有精简模块,且精简模块与核验模块相连接,所述核验模块和储存模块相连接,且储存模块同时与剔除模块相连接;
所述剔除模块的工作步骤为:
步骤11:获取用户提供的待核验数据,并将其进行汇总;
步骤12:区分待核验数据的多寡,当待核验数据为少数类,则不能选择曾经被剔除的数据作为验证集进行核验,可直接传递给精简模块;
步骤13:当剔除模块为第一次运行时,则不存在曾经被剔除的数据,所以不存在验证材料,无法进行核验,可直接传递给精简模块,而当剔除模块非初次运行时,可得到之前的被剔除数据作为验证材料进行核验,从而得到较为精简的待核验数据;
步骤14:将较为精简的待核验数据传递给精简模块;
所述精简模块的工作步骤为:
步骤21:将较为精简的待核验数据分成5组或10组;
步骤22:每次划分时,在不同的分组数据集上进行训练、测试核验,从而得出一个核验结果;当分成了5组时,意思就是在原始数据集上,进行5次核验,每次划分进行一次训练、评估,最后得到5次划分后的核验结果,在这几次核验结果上取平均得到最后的精简数据;
步骤23:将精简数据传递给核验模块;
所述核验模块的工作步骤为:
步骤31:将精简后的数据分成N组,并留待一组作为验证数据;
步骤32:其他N-1个样本用来训练,验证重复N次,每个子样本验证一次,同时能够得到N个模型;
步骤33:用这N个模型最终的验证集的分类准确率的平均数作为此下的性能指标,得到最终的单一数据;
步骤34:将最终的数据储存至储存模块;
所述剔除数据整理的工作步骤为:
步骤41:将被剔除的数据进行收集,并将其进行汇总;
步骤42:将汇总后的被剔除的数据传递给精简模块进行分组核验;
步骤43:将分组核验后的被剔除数据传递给核验模块,得到最终的被剔除数据和模型;
步骤44:当需要用对少数类过采样和大多数类的样本混合在一起的数据集来训练模型,然后用已经排除掉的样本做为验证集,对数据进行验证。
2.根据权利要求1所述的一种基于LOO-CV验证的交叉核验方法,其特征在于:所述剔除模块包括用户提供的待核验数据和被剔除数据。
3.根据权利要求1所述的一种基于LOO-CV验证的交叉核验方法,其特征在于:所述精简模块包括较为精简的待核验数据和分组数据集。
4.根据权利要求1所述的一种基于LOO-CV验证的交叉核验方法,其特征在于:所述核验模块包括精简数据、验证数据和子样本。
5.根据权利要求1所述的一种基于LOO-CV验证的交叉核验方法,其特征在于:所述储存模块包括目标数据和剔除数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550104.1A CN112527790B (zh) | 2020-12-24 | 2020-12-24 | 一种基于loo-cv验证的交叉核验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550104.1A CN112527790B (zh) | 2020-12-24 | 2020-12-24 | 一种基于loo-cv验证的交叉核验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527790A CN112527790A (zh) | 2021-03-19 |
CN112527790B true CN112527790B (zh) | 2023-06-02 |
Family
ID=74976181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550104.1A Active CN112527790B (zh) | 2020-12-24 | 2020-12-24 | 一种基于loo-cv验证的交叉核验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527790B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761426A (zh) * | 2014-01-02 | 2014-04-30 | 中国科学院数学与系统科学研究院 | 一种在高维数据中快速识别特征组合的方法及系统 |
CN106124445A (zh) * | 2016-06-16 | 2016-11-16 | 福州大学 | 一种快速、无损鉴别转基因大豆方法 |
CN108267422A (zh) * | 2017-12-29 | 2018-07-10 | 广州讯动网络科技有限公司 | 基于近红外光谱分析的异常样本剔除法 |
CN108962360A (zh) * | 2018-08-20 | 2018-12-07 | 北京旷视科技有限公司 | 核验方法、装置及服务器、应用服务器、实名制核验系统 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
CN110647915A (zh) * | 2019-08-23 | 2020-01-03 | 米津锐 | 一种用于高维数据一致性分析的动态模式判断方法 |
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111523469A (zh) * | 2020-04-23 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
CN112000808A (zh) * | 2020-09-29 | 2020-11-27 | 迪爱斯信息技术股份有限公司 | 一种数据处理方法及装置、可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589402B2 (en) * | 2014-08-25 | 2017-03-07 | Accenture Global Services Limited | Restricted area access control system |
JP2019037752A (ja) * | 2017-08-23 | 2019-03-14 | 株式会社リコー | 測定装置、及び測定方法 |
-
2020
- 2020-12-24 CN CN202011550104.1A patent/CN112527790B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761426A (zh) * | 2014-01-02 | 2014-04-30 | 中国科学院数学与系统科学研究院 | 一种在高维数据中快速识别特征组合的方法及系统 |
CN106124445A (zh) * | 2016-06-16 | 2016-11-16 | 福州大学 | 一种快速、无损鉴别转基因大豆方法 |
CN108267422A (zh) * | 2017-12-29 | 2018-07-10 | 广州讯动网络科技有限公司 | 基于近红外光谱分析的异常样本剔除法 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
CN108962360A (zh) * | 2018-08-20 | 2018-12-07 | 北京旷视科技有限公司 | 核验方法、装置及服务器、应用服务器、实名制核验系统 |
CN110647915A (zh) * | 2019-08-23 | 2020-01-03 | 米津锐 | 一种用于高维数据一致性分析的动态模式判断方法 |
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111523469A (zh) * | 2020-04-23 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
CN112000808A (zh) * | 2020-09-29 | 2020-11-27 | 迪爱斯信息技术股份有限公司 | 一种数据处理方法及装置、可读存储介质 |
Non-Patent Citations (2)
Title |
---|
QSPR between molecular structures of polymers and micellar properties based on block unit autocorrelation (BUA) descriptors;Wensheng Wu 等;《Chemometrics and Intelligent Laboratory Systems》;第157卷;7-15 * |
基于介电特性与回归算法的玉米叶片含水率无损检测;孙俊 等;《农业机械学报》;第47卷(第4期);257-264,279 * |
Also Published As
Publication number | Publication date |
---|---|
CN112527790A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
CN106441888A (zh) | 一种高速列车滚动轴承故障诊断方法 | |
CN107894564A (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN109933851B (zh) | 台架耐久试验数据处理和分析方法 | |
CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN114330439B (zh) | 一种基于卷积神经网络的轴承诊断方法 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN112382311A (zh) | 基于混合神经网络的婴儿啼哭声意图识别方法及装置 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN109710240A (zh) | 流程图分解方法及系统 | |
CN113806343B (zh) | 一种车联网数据质量的评估方法和系统 | |
CN112527790B (zh) | 一种基于loo-cv验证的交叉核验方法 | |
CN112882899B (zh) | 一种日志异常检测方法及装置 | |
CN101894073B (zh) | 基于控制流交集的缺陷自动定位装置及其自动定位方法 | |
CN107150603B (zh) | 一种快速获取与电动车匹配度高的充电桩的方法和装置 | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
CN109508204B (zh) | 一种前端代码质量检测方法及装置 | |
CN116506103A (zh) | 一种基于混沌系统的身份认证仿真系统 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN115310531A (zh) | 应用于一体式间隔设备综合测试模块的测试结果粗检系统和方法 | |
CN100427902C (zh) | 多路激光系统功率平衡参数测量处理装置及功率平衡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |